你有没有遇到过这种情况：问大模型一个开放式问题，它给出的答案像教科书一样正确，却毫无新意？前两天我在做产品定价方案时，Claude Code给出了按用量分层、按量计费、Token Plan、免费加广告这四个方向。这些回答没错，但不是我想要的那种“还能这样？”的惊喜。直到我在Reddit上看到一个帖子，标题是“I gave Claude Code ADHD.. and it thinks 2x better now”。作者通过Skill的方法，把ADHD的思维模式塞进了Claude Code，还为此写了篇论文。这让我意识到，大模型最大的问题不是幻觉，而是回答得太“正确”了。
这种“过于正确”源于LLM的自回归生成机制：每个token都基于前文条件概率分布采样，前两句话已经把后面方向锚定了。最终输出的永远是符合训练分布的常规思考，而不是真正有价值的独特想法。这在有标准答案的问题上没问题，但面对架构决策、方案设计等开放式问题时，标准答案往往就是平庸答案。ADHD思维恰好擅长跳过前三个显而易见的答案，在别人停下来的地方继续拐弯。
ADHD Skill的核心设计包含三点。第一，五个独立Agent：每个完全独立的LLM调用之间没有共享上下文，物理隔离避免了上下文污染。第二，认知框架驱动：每个Agent被分配完全不同的思考角色，比如“监管者审计合规性”或“十岁小孩天真思考”，论文提供了15个框架，每次随机选5个。第三，生成和批评流程分离：发散阶段禁止评价、排序或对冲，收敛阶段用不同的LLM调用进行对抗性阅读和打分。创造力和判断力同时运作时，创造力会被抑制，这种分阶段设计实现了多线程思考后的非常规答案。
我用ADHD Skill跑了两个真实问题。第一个是SaaS定价，它从五个视角出发，包括用户行为分析、竞争对手策略、边际成本模型等，最后整合出一个“先免费试用后按结果付费”的方案，比传统分层定价更有创意。第二个是软件架构决策，它模拟了安全审计师、性能工程师、新手开发者等角色，发现了常规思考中容易忽略的扩展性风险。这个方法特别适合需要突破思维定式的场景，但要注意，对于有明确正确答案的问题，传统方式效率更高。如果你也想尝试，可以在Claude Code中配置对应的Skill文件，并针对具体问题调整认知框架。